基于LSTM的短期风向预测

电力系统
Electric System
2020年第24期
2020 No.24
电力系统装备
Electric Power System Equipment
风能是一种可持续利用且低污染、储量丰富的能源，风能的高效利用一直以来是科研和工程研究领域一直关注的问题。

其中，风电机组偏航系统调节是一种提高风电发电效率的重要方法。

目前，风场常使用实时风向信息对偏航系统调节进行指导，由于风向的不确定性以及其他不利因素，这种调节滞后风向变化，并不能真正做到对于风向变化的实时的偏航系统调节，从而降低了风电机组发电效率。

为了解决这一问题，本文提出使用长短时记忆网络（LSTM ）实现对风向的预测，为实现偏航系统高效调节提供参考信息。

风向建模一般采用统计模型和数据驱动模型。

统计学模型一般通过统计处理批量数据来探索历史风向和当前时刻风向的关系。

李莉等[1]提出了一种基于流体力学流场预计算的风速风向预测模型，但预测模型没有良好的时间序列处理能力。

丁藤等[2]提出的改进自回归滑动平均-广义自回归条件异方差模型只能对风速（风向）进行短期甚至超短期预测。

孙驷洲等[3]提出一种基于混沌高斯局部吸引点量子粒子群优化最小二乘支持向量机（LSSVM ）的短期风电功率预测模型，但其耗时长，不利于短期风功率及风向预测。

Kavasseri R G 等[4]
提出了一种部分自回归滑动平均模型，能够在存在相关性的情况下节俭地捕捉时间序列。

数据驱动包括机器学习与深度学习2种建模方法，可以有效地解决风向建模问题。

郭振海等[5]提出一种基于BP 神经网络的混合风速预测方法，并利用季节指数调整消除实际风速数据集的季节效应。

刘辉等[6]提出了一种结合变分模态分解，奇异谱分析，LSTM 网络和极限学习机的风速多步预测模型，有效的挖掘了时间序列中含有的时间信息。

G.J.O 等[7]提出了一种结合互信息、小波变换、进化粒子群优化和自适应神经模糊推理系统的短期风力发电预测方法，实现了预测精度和计算时间之间的平衡。

可见，结合互信息等方法的LSTM 网络可以作为风向预测的方法，本文提出了一种基于数据驱动的对风电场风向数据建模方法。

在此方法中，利用互信息对输入的历史风向长度进行选择，删除了过长的不重要的历史风向数据，在不影响精度的同时降低了建模的复杂度，提高了建模效率和模型的优化时间。

在此基础上，本文设计了长短时记忆递归神经网络对风向数据进行建模预测。

为了验证本文提出的方法的有效性，选取4种常用建模方法（BP ，MLP ，LSSVM ，RBF ）作为对比算法，设计基于实际风向数据的算法预测精度实验。

实验结果表明，本文提出的建模方法与其他建模方法相比，具有更高的泛化力、预测精度和建模效率。

1 风向特性分析
本研究采用自相关系数法分析风向数据的基本特征。

利用自相关分析风向数据的结果如图1所示。

其中，红线为自相关系数，蓝色柱状为置信区间。

可见，有较多的自相关系数
落入置信区间之外，表明风向序列具有很强的不稳定性。

图1 风向自相关系数分析
2 风向建模
［摘 要］随着风能等可持续能源利用的比重日益增加，风速、风向及风功率的预测成为能源行业高效利用风能的手段之一，而风向预测在风电机组偏航系统调节中具有很大的作用。

实时的风向预测能够使偏航系统尽可能的匹配风向变化，使风轮获得最大风能，从而提高风电机组的发电效率。

如今，相比于传统的统计学方法，深度学习风向建模逐渐成为风向预测的可靠方法，本研究提出了一种采用互信息法特征提取风向时间序列的长短时记忆网络短期风向建模方法，通过与其他统计学模型、机器学习模型之间的对比，所提方法具有良好的风向预测能力。

［关键词］风向预测；长短时记忆网络；互信息；时间序列［中图分类号］TM76 ［文献标志码］A ［文章编号］1001–523X （2020）24–034–02
LSTM Based Short-term Wind Forecast
Chen Nan ，Zhang Jia-bi
［Abstract ］With the increasing proportion of sustainable energy utilization such as wind energy, the prediction of wind speed, wind direction and wind power has become one of the means of ef fi cient utilization of wind energy in the energy industry, and wind direction prediction plays a great role in the regulation of wind turbine yaw system. The real-time wind direction prediction can make the yaw system match the wind direction change as much as possible, and make the wind turbine obtain the maximum wind energy, thus improving the power generation ef fi ciency of the wind turbine. Nowadays, compared with the traditional statistical methods, deep learning wind direction modeling has gradually become a reliable method for wind direction prediction. In this study, a short-term wind direction modeling method of long-term memory network using mutual information method to extract wind direction time series is proposed. By comparing with other statistical models and machine learning models, the proposed method has good wind direction prediction ability.［Keywords ］wind direction prediction; long-term memory network; mutual information; time series 基于LSTM的短期风向预测
陈　楠1，张家弼2
（1.吉林电力股份有限公司科技开发分公司，吉林吉林 130022；2.武汉理工大学能源与动力工程学院，湖北武汉 430070）
电力系统
Electric System
2020年第24期
2020 No.24
电力系统装备
Electric Power System Equipment
2.1 数据预处理
本文所使用的数据源自某风场第二季度的风向测量数据，数据间隔为两分钟。

对经过奇异值去除后的1143组数据的数量级别进行统一，采用[0，1]范围内的归一化处理。

公式如式（1）：
（1）
其中，表示经过归一化之后的值，y 表示对应数据的实
际值；
分别为所选数据所在列的最大值和最小值。

2.2 基于互信息法的模型输入特征选取
历史序列的长度过长或过短，模型会因为缺乏信息或信
息冗余导致建模效率下降。

互信息法是一种基于信息熵原理对事件X ，Y 之间相关性的度量方法，
公式如式（2）：
（2）其中H （X ）、H （Y ）分别为X 、Y 的信息熵，H （X ，Y ）表示事件X ，Y 的联合信息熵。

将前第k 时刻的历史风向序列视为事件X ，将当前时刻风向视为事件Y ，利用一维向量互信息法计算出前20时刻的历史风向与当前时刻风向序列的互信息如图2所示：
12345678910
0.10.20.30.40.50.60.70.8图2 风向互信息重要性排序
可以看出，随着k 的增大，两序列之间的相关性呈递减趋势；因此本文选择前5时刻的风向作为输入来对当前时刻的风向进行建模。

2.3 基于LSTM 的风向预测建模
长短时记忆递归神经网络是在循环神经网络（RNN ）的基础上为了解决梯度消失和爆炸等问题而设计的一种网络，对于时间序列问题有比较好的处理能力，因此作为风向预测模型。

3 实验结果分析
3.1 相同特征提取参数下的不同算法建模
为验证本文所提模型的精度及有效性，本文选择了MLP 、
BP 、RBF 、LSSVM 与提出的LSTM 模型进行对比，结合互信息法特征提取的综合实验的结果如图3所示
：
图3 第二季度风向预测结果
由上图可以看出，所选择的五个模型在对数据集的拟合
均有不错的拟合预测能力，但相比之下，LSTM 的模型预测的曲线则更为贴近实际曲线的走势，具有更好的拟合效果和预测精度。

使用绝对平均误差（MAE ）、相对平均误差（MAPE ）和均方根误差（RMSE ）作为算法精度的评价指标。

使用误差评价指标能够明显的比较LSTM 与其它模型的预测精度、稳定性。

误差评价指标的结果由表1所示：
表1 误差评价指标计算结果
模型MAE MAPE RMSE LSTM 3.1221 1.1318 % 5.2461LSSVM 5.2890 2.1062 %16.9568RBF 7.6830 3.0313 %29.2147MLP 10.0710 3.8704 %20.5180BP
5.8930
2.2769 %
16.9591
分析得知，在第二季度的风向数据集上，LSTM 的所有误差评价指标均为最优；其中，MAE ，MAPE ，RMSE 相较于第二好的模型分别降低40.96 %，46.26 %，69.06 %；充分证明了在与其它模型相比较时，LSTM 模型风向预测具有更高的准确性与更好的拟合预测能力。

3.2 互信息法对模型的影响
为了验证互信息法对于建模效率的影响，本文在不影响精度等级的条件下做了两组LSTM 实验，第一组为5个历史风向长度（互信息选出），第二组是没有经过互信息所选的10组历史风向序列作为输入。

结果显示，在没有影响精度等级的条件下，第一组建模的时间为516.59 s ；第二组的建模时间为825.59 s 。

两者相比，经过互信息法对历史风向长度进行选择的序列比未进行选择的数据，时间缩短了约37.4 %。

4 结论
通过前文所述的实验，我们可以得到以下结论：
（1）利用互信息法对历史风向序列长度进行选择能够在不影响精度的条件下，提高建模效率；本文经过互信息筛选后仅需要5个历史风向序列就可以达到很高的精度，大大缩短了建模时间；（2）LSTM 模型的精确性与实用性：与另外5种模型的比较，证明了LSTM 在风向预测问题上的精确性与适用性。

参考文献
[1] 李莉，刘永前，杨勇平，等.基于CFD 流场预计算的短期风速预测方法[J].中国电机工程学报，2013，33（7）：22，27-32.[2] 丁藤，冯冬涵，林晓凡，等.基于修正后ARIMA-GARCH 算法的超短期风速预测[J].电网技术，2017，41（6）：1808-1814.[3] 孙驷洲，付敬奇，朱峰，等.CGAQPSO 优化LSSVM 短期风电预测[J].电子测量与仪器学报，2016，30（11）：1718-1725.
[4] K avasseri R G ，Seetharaman K.Day-ahead wind speed forecasting using f-ARIMA models[J].Renewable Energy ，2009，34（5）：1388-1393[5] G uo Z H ，Wu J ，Lu H Y ，et al.A case study on a hybrid wind speed forecasting method using BP neural network[J].Knowledge-Based Systems ，2011，24（7）：1048-1056.
[6] L iu H ，Mi X ，Li Y ，et al.Smart multi-step deep learning model for wind speed forecasting based on variational mode decomposition ，singular spectrum analysis ，LSTM network and ELM[J].Energy Conversion & Management ，2018（159）：54-64.
[7] O sório G J ， Matias J C O ，Catalão J P S ，et al . Short-term wind power forecasting using adaptive neuro-fuzzy inference system combined with evolutionary particle swarm optimization ，wavelet transform and mutual
information[J].Renewable Energy ，2015（75）：301-307.。